論文の概要: Uncertainty quantification for multiclass data description

• arxiv url: http://arxiv.org/abs/2108.12857v1
• Date: Sun, 29 Aug 2021 14:42:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 14:31:49.352289
• Title: Uncertainty quantification for multiclass data description
• Title（参考訳）: マルチクラスデータ記述のための不確かさ定量化
• Authors: Leila Kalantari, Jose Principe and Kathryn E. Sieving
• Abstract要約: カーネル・マハラノビス距離(MDD-KM)に基づくマルチクラスデータ記述モデルを提案する。 我々はMDD-KMを成分とする階層線形力学系に基づく原型分類システムについて報告する。
• 参考スコア（独自算出の注目度）: 0.1611401281366893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this manuscript, we propose a multiclass data description model based on kernel Mahalanobis distance (MDD-KM) with self-adapting hyperparameter setting. MDD-KM provides uncertainty quantification and can be deployed to build classification systems for the realistic scenario where out-of-distribution (OOD) samples are present among the test data. Given a test signal, a quantity related to empirical kernel Mahalanobis distance between the signal and each of the training classes is computed. Since these quantities correspond to the same reproducing kernel Hilbert space, they are commensurable and hence can be readily treated as classification scores without further application of fusion techniques. To set kernel parameters, we exploit the fact that predictive variance according to a Gaussian process (GP) is empirical kernel Mahalanobis distance when a centralized kernel is used, and propose to use GP's negative likelihood function as the cost function. We conduct experiments on the real problem of avian note classification. We report a prototypical classification system based on a hierarchical linear dynamical system with MDD-KM as a component. Our classification system does not require sound event detection as a preprocessing step, and is able to find instances of training avian notes with varying length among OOD samples (corresponding to unknown notes of disinterest) in the test audio clip. Domain knowledge is leveraged to make crisp decisions from raw classification scores. We demonstrate the superior performance of MDD-KM over possibilistic K-nearest neighbor.
• Abstract（参考訳）: 本稿では,自己適応型ハイパーパラメータ設定によるカーネルマハラノビス距離(MDD-KM)に基づくマルチクラスデータ記述モデルを提案する。 MDD-KMは、不確実な定量化を提供し、テストデータの中にOODサンプルが存在する現実的なシナリオのための分類システムを構築するためにデプロイすることができる。 試験信号が与えられた場合、信号と各トレーニングクラスとの間の経験的カーネルマハラノビス距離に関する量を算出する。 これらの量は同じ再生核ヒルベルト空間に対応するため、それらは可測であり、核融合技術のさらなる応用なしに容易に分類スコアとして扱うことができる。 カーネルパラメータの設定には,ガウス過程(GP)による予測分散が,集中型カーネルを使用する場合の経験的カーネルマハラノビス距離であるという事実を利用し,コスト関数としてGPの負の確率関数を用いることを提案する。 我々は鳥のノート分類の実問題に関する実験を行う。 我々はMDD-KMを成分とする階層線形力学系に基づく原型分類システムについて報告する。 本分類システムは,事前処理のステップとして音のイベント検出を必要とせず,実験音声クリップ中のoodサンプル(不利な未知の音符に対応する)間に異なる長さの鳥音の訓練例を見つけることができる。 ドメイン知識を活用して、生の分類スコアから鮮明な決定を行う。 我々は, MDD-KM が, K-アネレスト近傍で高い性能を示す。

関連論文リスト

• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Bayesian Evidential Learning for Few-Shot Classification [20.876386546503834]
  Few-Shot 分類は、非常に限定されたラベル付きサンプルをベースクラスから新しいクラスに一般化することを目的としている。 最先端のソリューションは、サンプル間の距離を計算するための良い計量と表現空間を見つけることを含む。 有望な精度性能にもかかわらず、計量ベースのFSC手法の不確実性を効果的にモデル化する方法は依然として課題である。
  論文  参考訳（メタデータ） (2022-07-19T03:58:00Z)
• Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
  Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。 そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-16T13:14:03Z)
• Multi-Class Data Description for Out-of-distribution Detection [25.853322158250435]
  Deep-MCDDは、分布外(OOD)サンプルを検出するだけでなく、分布内(ID)サンプルを分類するのに効果的です。 ガウス微分分析の概念をディープニューラルネットワークに統合することにより,クラス条件分布を学習する深層学習目標を提案する。
  論文  参考訳（メタデータ） (2021-04-02T08:41:51Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Classification of fNIRS Data Under Uncertainty: A Bayesian Neural Network Approach [0.15229257192293197]
  オープンアクセスデータセット上でバイナリ分類を行うために,ベイズニューラルネットワーク(bnn)を使用する。 私たちのモデルは、ボランティア30人に対して86.44%の全体的な分類精度を作り出した。
  論文  参考訳（メタデータ） (2021-01-18T15:43:59Z)
• Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
  我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。 提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-02-11T21:08:06Z)
• GIM: Gaussian Isolation Machines [40.7916016364212]
  多くの場合、ニューラルネットワーク分類器は、トレーニング配布データの外にある入力データに露出する。 OODデータに遭遇した場合に発生する問題の解決を目的とした,新しいハイブリッド分類器を提案する。 提案されたGIMの新規性は、識別性能と生成能力にある。
  論文  参考訳（メタデータ） (2020-02-06T09:51:47Z)
• Multi-class Gaussian Process Classification with Noisy Inputs [2.362412515574206]
  いくつかの状況では、騒音の量は事前に知ることができる。 提案手法を,合成データと実データを含むいくつかの実験により評価した。
  論文  参考訳（メタデータ） (2020-01-28T18:55:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。